| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·选题背景及其研究意义 | 第7-9页 |
| ·国内外相关研究现状 | 第9-10页 |
| ·本文主要工作及内容安排 | 第10-13页 |
| ·本文的主要工作 | 第10页 |
| ·本文的内容安排 | 第10-13页 |
| 第二章 支持向量机的基本理论 | 第13-27页 |
| ·机器学习理论 | 第13-15页 |
| ·学习问题的表述 | 第13-14页 |
| ·学习问题的形式 | 第14-15页 |
| ·经验风险最小化 | 第15页 |
| ·统计学习理论 | 第15-17页 |
| ·学习一致性及 VC 维 | 第15-16页 |
| ·结构风险最小化 | 第16-17页 |
| ·支持向量机 | 第17-25页 |
| ·线性可分情况 | 第17-18页 |
| ·线性不可分情况 | 第18-20页 |
| ·非线性可分情况 | 第20-22页 |
| ·核函数 | 第22页 |
| ·支持向量机的几种变形算法 | 第22-25页 |
| ·本章小结 | 第25-27页 |
| 第三章 支持向量机增量学习算法 | 第27-35页 |
| ·支持向量机增量学习算法的提出 | 第27-28页 |
| ·KKT条件与样本分布的关系 | 第28-30页 |
| ·支持向量机增量学习算法 | 第30-33页 |
| ·本章小结 | 第33-35页 |
| 第四章 基于中心距离比值和中心密度的支持向量机增量学习算法 | 第35-45页 |
| ·边界向量预选取方法 | 第35-38页 |
| ·选取间隔边界附近非支持向量的中心密度法 | 第38-39页 |
| ·基于中心距离比值和中心密度的支持向量机增量学习算法 | 第39-40页 |
| ·实验结果及分析 | 第40-43页 |
| ·本章小结 | 第43-45页 |
| 结束语 | 第45-47页 |
| 致谢 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 在读期间研究成果 | 第53-54页 |